大数据知识体系
首页
数据结构与算法
  • JVM
  • Java
  • Scala
  • Python
设计模式
  • MySQL
  • Redis
  • HDFS
  • HBase
  • ClickHouse
  • ElasticSearch
  • Iceberg
  • Hudi
  • Spark
  • Flink
  • Hive
  • Yarn
  • Zookeeper
  • Maven
  • Git
  • 数据仓库
  • 用户画像
  • 指标体系
数据治理
关于
首页
数据结构与算法
  • JVM
  • Java
  • Scala
  • Python
设计模式
  • MySQL
  • Redis
  • HDFS
  • HBase
  • ClickHouse
  • ElasticSearch
  • Iceberg
  • Hudi
  • Spark
  • Flink
  • Hive
  • Yarn
  • Zookeeper
  • Maven
  • Git
  • 数据仓库
  • 用户画像
  • 指标体系
数据治理
关于
  • JVM

    • JVM 架构
    • JVM 类加载机制
    • JVM 运行时数据区
    • JVM 垃圾回收机制
    • JVM 性能监控与调优
    • JVM 常见错误
  • Java

    • Java基础

      • Java 基础知识
      • Java 基础 - 枚举类
      • Java 基础 - 异常处理
      • Java 基础 - 泛型
      • Java 基础 - 反射
      • Java 基础 - 代理模式
      • Java 基础 - 注解
    • Java集合

    • Java并发编程

    • Java 开发规范
  • Scala

    • Scala 概述
  • Python

    • Numpy

      • 初识 Numpy
      • ndarray 的创建方式
      • NumPy 的数据类型
      • NumPy 数组计算
      • 拷贝
      • 索引和切片
      • 数学和统计方法
      • 数组形状变换
      • 通用函数
      • 排序
      • 搜索和计数
      • 线性代数
        • 常用的函数
      • 伪随机数生成
      • 广播
      • 文件输入和输出
    • Pandas

      • 初识 Pandas
      • 认识 Series 和 DataFrame
      • Series 和 DataFrame 增删改查
      • Index对象增删改查
      • 普通列和行Index相互转化
      • 快速查看整体信息
      • 数值运算
      • 合并数据集
      • 数值统计与聚合
      • 分组聚合
      • 分类类型
      • 排序和排名
      • 时间序列
      • 文件输入与输出
      • 缺失值处理
      • 字符串处理
      • pandas sql
      • 其它
  • 语言基础
  • Python
  • Numpy
Will
2022-08-04
目录

线性代数

# 常用的函数

  • diag(v, k=0)

    以一维数组的形式返回方阵的对角线(或非对角线)元素,或将一维数组转换为方阵(非对角线元素为 0)

  • dot(a, b[, out])

    两个数组的点积

  • trace(a[, offset, axis1, axis2, dtype, out])

    计算对角线元素的和

  • linalg.det(a)

    计算矩阵行列式

  • linalg.inv(a)

    计算方阵的逆

import numpy as np
1
arr = np.arange(9).reshape((3,3))
arr
1
2
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
np.diag(arr)
1
array([0, 4, 8])
np.diag(arr, 1)
1
array([1, 5])
diag_arr = np.array([1, 2, 3])
np.diag(diag_arr)
1
2
array([[1, 0, 0],
       [0, 2, 0],
       [0, 0, 3]])
# 计算矩阵乘积
a = [[1, 0], [0, 1]]
b = [[4, 1], [2, 2]]
a
b
1
2
3
4
5
[[1, 0], [0, 1]]






[[4, 1], [2, 2]]
np.dot(a, b)
1
array([[4, 1],
       [2, 2]])
# 计算对角线元素的和
np.trace(arr)
1
2
12
# 计算矩阵行列式
arr2 = np.array([[1, 2], [3, 4]])
np.linalg.det(arr2)
1
2
3
-2.0000000000000004
# 计算矩阵的逆
np.linalg.inv(arr2)
1
2
array([[-2. ,  1. ],
       [ 1.5, -0.5]])
上次更新: 2023/11/01, 03:11:44

← 搜索和计数 伪随机数生成→

Theme by Vdoing | Copyright © 2022-2023 Will 蜀ICP备2022002285号-1
  • 跟随系统
  • 浅色模式
  • 深色模式
  • 阅读模式